feat(datascience): GLiNER entity extractor (zero-shot NER) drop-in con LLM

Funciones nuevas en python/functions/datascience/:
- gliner_load_model: carga + cachea modelo GLiNER por (name, device).
  device='auto' resuelve a cuda/cpu segun torch.cuda.is_available, sin
  fallar si torch no esta instalado. ImportError claro si falta gliner.
- extract_entities_gliner: contrato drop-in de extract_entities_llm
  (mismo entity_schema, mismo list[EntityCandidate]). El caller inyecta
  el modelo (cargado UNA vez por proceso). Anota offsets start/end en
  attributes para reconciliar con extract_iocs (issue 0040).

Diferencias vs LLM extractor:
- 50-200x mas rapido en GPU, 0 USD/token.
- Malo con IoCs tecnicos (lo cubre 0037).
- Threshold y flat_ner ajustables por dominio.

pyproject.toml: gliner como extra opcional `[nlp]` para no inflar el
.venv de quien no use NER. Instalacion: `uv pip install -e '.[nlp]'`.

Refs #0038 — Desbloquea 0039 (GLiREL) y 0040 (pipeline hibrido).

Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>

python/functions/datascience/gliner_load_model.md

@@ -0,0 +1,66 @@
+---
+name: gliner_load_model
+kind: function
+lang: py
+domain: datascience
+version: "1.0.0"
+purity: impure
+signature: "def gliner_load_model(model_name: str = 'urchade/gliner_multi-v2.1', device: str = 'auto') -> Any"
+description: "Carga (y cachea por (model_name, device)) un modelo GLiNER zero-shot NER. La primera llamada descarga ~200 MB desde HuggingFace; sucesivas devuelven la instancia cacheada. device='auto' usa CUDA si esta disponible, o CPU."
+tags: [gliner, ner, nlp, model, huggingface, zero-shot, datascience, python]
+uses_functions: []
+uses_types: []
+returns: []
+returns_optional: false
+error_type: "error_go_core"
+imports: []
+params:
+  - name: model_name
+    desc: "ID del modelo en HuggingFace Hub (defecto: urchade/gliner_multi-v2.1, multilingue ES/EN)"
+  - name: device
+    desc: "'auto' (CUDA si disponible, sino CPU), 'cpu', 'cuda', 'cuda:N'"
+output: "instancia GLiNER lista para predict_entities, cacheada por (model_name, device)"
+tested: true
+tests:
+  - "ImportError si gliner no esta instalado"
+  - "Cache devuelve la misma instancia con los mismos parametros"
+  - "device='auto' resuelve a cpu o cuda segun torch.cuda.is_available"
+test_file_path: "python/functions/datascience/tests/test_extract_entities_gliner.py"
+file_path: "python/functions/datascience/gliner_load_model.py"
+---
+
+## Ejemplo
+
+```python
+from python.functions.datascience import gliner_load_model
+
+# Primera llamada descarga el modelo (~200 MB, una vez)
+model = gliner_load_model(device="auto")
+
+# Llamadas sucesivas con mismos params devuelven el cache
+model_again = gliner_load_model(device="auto")
+assert model is model_again
+```
+
+## Instalacion
+
+GLiNER no esta en las dependencias principales del registry. Para usarlo:
+
+```bash
+cd python && uv pip install gliner            # solo gliner
+cd python && uv pip install -e '.[nlp]'       # extra completo
+```
+
+## Tamaño y latencia
+
+- `urchade/gliner_multi-v2.1`: ~210 MB en disco (modelo + tokenizer).
+- Primera carga: 5-15 s en CPU, depende del disco y red.
+- Inferencia CPU: 1-5 KB texto/s con 8 labels (Apple M2 / i7 moderno).
+- Inferencia GPU (CUDA T4): 50-200 KB texto/s — 50-200x mas rapido.
+
+## Notas
+
+- El cache es por (model_name, device): cargar el mismo modelo en CPU y CUDA crea dos instancias. Es intencional para permitir A/B.
+- Si `torch` no esta instalado y `device='auto'`, cae a `'cpu'` sin error.
+- Para limpiar el cache (memoria GPU): borrar entradas de `_MODEL_CACHE` directamente o reiniciar el proceso.
+- impure: lee disco/red la primera vez y mantiene estado en `_MODEL_CACHE`.